| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 国内外超分辨率重建研究现状 | 第9-11页 |
| 1.3 超分辨率重建算法的应用及变化趋势 | 第11-12页 |
| 1.4 超分辨率重建算法主要评价指标 | 第12-14页 |
| 1.4.1 主观评价 | 第13页 |
| 1.4.2 客观评价 | 第13-14页 |
| 1.5 本文的主要工作及章节安排 | 第14-16页 |
| 第二章 图像超分辨率方法研究 | 第16-24页 |
| 2.1 超分辨率 | 第16-17页 |
| 2.2 基于插值的图像重建研究方法 | 第17-20页 |
| 2.2.1 最近邻插值法 | 第18页 |
| 2.2.2 双三次插值法 | 第18-20页 |
| 2.3 基于重建的超分辨率算法 | 第20-22页 |
| 2.3.1 迭代反投影法 | 第20-21页 |
| 2.3.2 凸集投影法 | 第21页 |
| 2.3.3 最大后验概率法 | 第21-22页 |
| 2.4 基于学习的超分辨率重建方法 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于卷积神经网络和邻域嵌入算法的图像超分辨率方法 | 第24-38页 |
| 3.1 基于卷积神经网络的图像超分辨率方法 | 第24-30页 |
| 3.1.1 卷积神经网络核心思想 | 第24-25页 |
| 3.1.2 卷积神经网络的结构 | 第25-27页 |
| 3.1.3 卷积神经网络特征提取和表达 | 第27-29页 |
| 3.1.4 激活函数 | 第29-30页 |
| 3.2 基于卷积神经网络的图像超分辨率重构模型 | 第30-34页 |
| 3.2.1 问题的提出 | 第30页 |
| 3.2.2 ACT-R模型 | 第30-31页 |
| 3.2.3 匹配阶段-网络训练 | 第31-32页 |
| 3.2.4 选择阶段-卷积神经网络循环模型的构建 | 第32-34页 |
| 3.3 循环卷积算法和基础卷积神经网络算法的对比 | 第34-38页 |
| 3.3.1 实验准备 | 第34页 |
| 3.3.2 实验结果分析 | 第34-36页 |
| 3.3.3 存在的问题 | 第36-38页 |
| 第四章 基于邻域嵌入算法对循环卷积网络模型残差图像的补偿方案 | 第38-52页 |
| 4.1 残差图像 | 第38-39页 |
| 4.2 残差图像集的建立 | 第39页 |
| 4.3 选择阶段-邻域嵌入法对图像的残差补偿 | 第39-40页 |
| 4.4 邻域图像块数目K值的影响 | 第40-42页 |
| 4.5 实验结果分析 | 第42-51页 |
| 4.5.1 放大因子对实验结果的影响 | 第42-45页 |
| 4.5.2 噪声对图像重建的影响 | 第45-47页 |
| 4.5.3 不同方法重建结果对比 | 第47-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 攻读研究生学位期间发表的论文 | 第60-62页 |
| 致谢 | 第62页 |